Como cidades podem identificar áreas vulneráveis a deslizamentos antes das chuvas

Desastres causados por chuvas raramente são inesperados. Os estragos mais graves quase sempre acontecem nos mesmos lugares. Encostas muito íngremes, áreas perto de rios e bairros onde a ocupação cresceu sem infraestrutura.

Para evitar tragédias, é fundamental mapear os locais onde  o risco é maior. Só que aí vem um obstáculo bem comum no Brasil. Muitas prefeituras não têm mão de obra suficiente para montar e atualizar mapas de risco com frequência. Sem esse “raio X” do território, a cidade reage depois, em vez de se preparar antes.

Um jeito de facilitar esse trabalho é usar métodos que transformam dados do próprio município em um mapa claro e preciso. Um desses métodos é o AHP Gaussiano, ferramenta criada para tomar decisões com vários critérios ao mesmo tempo. Ele é usado em diferentes áreas sempre que é preciso juntar muitas variáveis e chegar a um resultado final.

Para entender de onde ele vem, vale uma explicação rápida. O AHP Gaussiano é uma versão estatística de uma técnica clássica de tomada de decisão chamada AHP, sigla de Analytic Hierarchy Process. Esse método é bastante usado em estudos ambientais porque ajuda a organizar muitos critérios ao mesmo tempo e chegar a um resultado final, como um mapa de risco.

No caso de deslizamentos, a lógica é juntar camadas de informação do território. Inclinação do terreno, tipo de solo, distância até rios, presença de estradas e padrão de chuva são alguns exemplos. Quando essas partes são combinadas, o mapa começa a separar regiões mais frágeis de regiões mais seguras.

O AHP tradicional costuma depender de especialistas escolhendo o peso de cada fator. Na prática, alguém precisa decidir o que conta mais na hora de montar o mapa. A inclinação do morro pesa mais do que o tipo de solo. Estar perto de um rio é mais importante do que a vegetação local. É uma decisão técnica, mas pode mudar de equipe para equipe. Por isso, dois grupos podem chegar a mapas diferentes, mesmo usando os mesmos dados.

Já o AHP Gaussiano tenta reduzir essa variação usando números simples dos próprios dados. Se um fator varia bastante no mapa e faz diferença na hora de distinguir risco, ele entra com mais força no resultado. Se quase não muda de um lugar para outro e pouco altera o desenho do risco, ele entra com menos força. Assim, o método fica mais padronizado e mais fácil de repetir em outras regiões.

Essa abordagem foi testada em São Sebastião, no litoral norte de São Paulo, com um conjunto grande de informações ambientais e urbanas e registros de deslizamentos ligados às chuvas extremas de fevereiro de 2023. Na comparação direta com o método tradicional, os dois identificaram as áreas mais críticas. A versão gaussiana, porém, organizou melhor as áreas intermediárias, onde o risco não é tão óbvio. O mapa final ficou menos confuso e deu destaque a pontos que aparecem com frequência em ocorrências reais, como trechos próximos a rios e estradas.

Área de estudo em São Sebastião (SP) e regiões afetadas por deslizamentos durante o evento extremo de fevereiro de 2023. Imagem: Reprodução / Artigo Scientific Reports

Distribuição da densidade de deslizamentos nas classes de risco segundo os dois métodos. Imagem: Reprodução / Artigo Scientific Reports

O ponto principal é o uso prático. Um mapa mais fácil de ler ajuda a prefeitura a decidir onde agir primeiro. Ele pode orientar obras de drenagem e contenção, indicar onde novas construções precisam de mais regras e apoiar planos de alerta e defesa civil. Tudo isso sem exigir uma estrutura enorme para funcionar.

Também vale um cuidado. O AHP Gaussiano não substitui modelos mais avançados, como alguns sistemas de inteligência artificial, que podem chegar a mais precisão em certos cenários. Só que essas soluções costumam exigir muito mais dados e profissionais especializados, algo fora da realidade de muitos municípios.

No fim, deslizamento é chuva quando encontra um território vulnerável. Quando fica mais simples transformar dados em mapas confiáveis, as decisões têm mais chance de acontecer antes da tragédia, e não depois.